一种基于频域约束的行人重识别攻击方法技术

本发明专利技术公开了一种基于频域约束的行人重识别攻击方法，具体为：在利用特征相似度的攻击方法基础上使用频域约束技术对攻击像素块进行约束，从而达到更好的隐蔽性。将其打印贴到衣服上，可以实现物理攻击。本发明专利技术利用了图像频域变换技术的先验知识，对于图像而言，图像的低频分量表征着图像中像素与相邻像素差别较小的部分，一般是图像的主体部分，而图像的高频分量表征着图像中像素与相邻像素差别较大的部分，一般是图像中边缘部分或者噪声。一般是图像中边缘部分或者噪声。一般是图像中边缘部分或者噪声。

【技术实现步骤摘要】
一种基于频域约束的行人重识别攻击方法


[0001]本专利技术属于计算机视觉
，主要应用于基于深度学习的行人重识别攻击方法。本专利技术提出一种基于频域约束的行人重识别攻击方法。

技术介绍

[0002]最近五年间，随着深度学习技术的兴起，计算机视觉得到了飞速的发展。计算机视觉在车牌识别、目标检测、人脸识别、图像风格迁移、图像分类等任务都有了显著的发展。
[0003]在这些中，行人重识别(Re
‑
ID)是计算机视觉中一个重要任务，它通过多摄像头获取的图片来得到行人的特征，实现跨摄像头的行人跟踪识别。它需要解决不同视角下的行人识别，在疑犯跟踪、出入人员识别等应用有着重要作用。
[0004]随着深度学习的发展，行人重识别从早期的利用动态贝叶斯网络生成的标签与行人特征之间的概率关系，到利用深度学习，在大量行人数据中找到特征，大大提高了准确率。目前最好的行人重识别算法可以达到96％的准确率。
[0005]但是一直以来，深度学习的缺点也暴露出来，基于深度学习技术的鲁棒性、安全性受到一些学者的质疑，有学者发现，在大熊猫图片中加入一点不可见的像素扰动就可以让基于深度学习的分类器得到错误的结果，误以为是长臂猿。因此，通过攻击算法的研究，可以为提高行人重识别算法的鲁棒性提供方向，并且帮助防御对行人重识别系统的攻击。
[0006]目前技术多是数字攻击方法，也有一部分方法提出像素块攻击方法实现物理攻击，但是大部分像素块容易被人眼视觉系统察觉，不能达到隐蔽攻击的效果。

技术实现思路
<br/>[0007]本专利技术针对行人重识别任务，提出一种基于频域约束的行人重识别攻击方法。
[0008]本专利技术介绍的基于频域约束的行人重识别攻击方法，具体为：在利用特征相似度的攻击方法基础上使用频域约束技术对攻击像素块进行约束，从而达到更好的隐蔽性。将其打印贴到衣服上，可以实现物理攻击。
[0009]一种基于频域约束的行人重识别攻击方法，包括以下步骤：
[0010]步骤1、将攻击像素块并叠加在原始图像上，得到攻击样本；
[0011]步骤2、将原始图像和攻击样本分别通过行人重识别网络得到各自的特征向量，分别经过频域变换网络得到频域图，再通过频域分离算法得到低频分量，最后通过频域逆变换得到低频图；
[0012]步骤3、计算损失函数，将梯度反向传播更新到攻击像素块上；
[0013]步骤4、重复进行上述两个步骤，直到损失函数不再降低；
[0014]步骤5、得到最终攻击像素块，打印贴到衣服上实现物理攻击。
[0015]与现有技术相比，本专利技术的有益效果为：
[0016]本专利技术提出了对基于频域约束的行人重识别攻击方法，相比于不使用频域约束的行人重识别方法，本专利技术利用了图像频域变换技术的先验知识，对于图像而言，图像的低频
分量表征着图像中像素与相邻像素差别较小的部分，一般是图像的主体部分，而图像的高频分量表征着图像中像素与相邻像素差别较大的部分，一般是图像中边缘部分或者噪声。
附图说明
[0017]图1是本专利技术实施例的整体框架图；
[0018]图2是频域变换网络的构架图。
具体实施方式
[0019]以下结合附图及实施例，对本专利技术进行进一步的详细说明。
[0020]图1是本专利技术实施例的整体框架图，图2是频域变换网络的构架图，下面详细说明本专利技术一种基于频域约束的行人重识别攻击方法的各个步骤：
[0021]步骤1、将攻击像素块并叠加在原始图像上，得到攻击样本；
[0022]将像素块通过STN变换网络缩放得到需要的尺寸，叠加到指定区域。
[0023]步骤2、将原始图像和攻击样本分别通过行人重识别网络得到各自的特征向量，分别经过频域变换网络得到频域图，再通过频域分离算法得到低频分量，最后通过频域逆变换得到低频图；
[0024]如图1所示，将原始图片和叠加攻击像素块后得到的攻击图片作为行人重识别网络的输入，输出对应的特征向量。再将原始图片和叠加后的攻击图片作为频域变换网络的输入，如图2所示，通过离散小波变换得到图片的频域图，再通过掩模图相乘得到低频分量，对其进行反向离散小波变换得到低频图片。
[0025]步骤3、计算损失函数，将梯度反向传播更新到攻击像素块上；
[0026]计算出整体的损失函数：
[0027]其中为行人重识别网络，输出为特征向量，是模型参数,为原始图片，为攻击图片，为原始图片对应的低频图片，为攻击图片对应的低频图片。
[0028]通过反向传播求出梯度，更新到攻击像素块上。
[0029]步骤4、重复进行上述两个步骤，直到损失函数不再降低。
[0030]步骤5、得到最终攻击像素块，打印贴到衣服上实现物理攻击。
[0031]将步骤4得到的攻击像素块用彩色打印机打出来，贴在真人衣服上，实现物理攻击。
[0032]以上内容是结合具体/优选的实施方式对本专利技术所作的进一步详细说明，不能认定本专利技术的具体实施只局限于这些说明。对于本专利技术所属
的普通技术人员，在不脱离本专利技术构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本专利技术的保护范围。
[0033]本专利技术未详细说明部分属于本领域技术人员公知技术。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域约束的行人重识别攻击方法，其特征在于，包括以下步骤：步骤1、将攻击像素块并叠加在原始图像上，得到攻击样本；步骤2、将原始图像和攻击样本分别通过行人重识别网络得到各自的特征向量，分别经过频域变换网络得到频域图，再通过频域分离算法得到低频分量，最后通过频域逆变换得到低频图；步骤3、计算损失函数，将梯度反向传播更新到攻击像素块上；步骤4、重复进行上述两个步骤，直到损失函数不再降低；步骤5、得到最终攻击像素块，打印贴到衣服上实现物理攻击。2...

【专利技术属性】
技术研发人员：颜成钢，王锦欣，高宇涵，孙垚棋，朱尊杰，陈楚翘，王鸿奎，王廷宇，殷海兵，张继勇，李宗鹏，赵治栋，
申请(专利权)人：杭电丽水研究院有限公司，
类型：发明
国别省市：